관상동맥 CT 조영 검사 시, 초 고해상도 딥러닝 알고리즘이 적용된 스텐트 영상의 진단적 가치 (Diagnostic Value of Stent Images using Ultra-High Resolution Deep Learning Algorithms in Coronary CT Angiography)

서지정보

· 발행기관 : 대한CT영상기술학회
· 수록지 정보 : 대한CT영상기술학회지 / 26권 / 1호 / 25 ~ 36페이지
· 저자명 : 전상현, 고동희, 전필현, 고성민, Otgonbaatar, Chuluunbaatar

초록

최근 발전하는 인공지능 영상재구성 기법의 발전으로 현존하는 가장 정밀한 0.25 mm 다중 검출기 기반 초고해상도 딥러닝 영상재구성 기법의 개발로 관상동맥 스텐트 내강의 정확도에 대해 평가하고자 한다. 이 연구는 환자 연구와 팬텀 연구로 구분하였고, 동일 환자에게서 필터 보정 역투영법, 반복적 재구성 기법, 딥러닝 재구성기법, 인공지능 초고해상도 재구성기법 총 4가지 방법으로 영상을 재구성하였다. 이미지 품질을 객관적으로 평가하기 위해 각 데이터에 대해 4가지 매개 변수인 영상잡음, CT 밀도, 신호 대 잡음비, 대조도 대 잡음비를 분석하였다. 팬텀 연구는 인체모형 흉부 팬텀 내 관상동맥을 표현할 수 있도록 라텍스 넬라톤 멸균 카테터를 설치하였고, 각각의 카테터 내에는 관상동맥 스텐트(내경 2.5 mm, 3.5 mm)를 삽입시켜 CT 제조사 별로 여러 가지 재구성 기법(FBP, IR, DLR, UHR-DLR)을 사용하여 영상을 획득하였다. 에지 상승 거리(edge rise distance, ERD), 에지 상승 기울기(Edge rise slope, ERS) 통해 스텐트 선명도 평가를 하였다. UHR-DLR으로 재구성한 관상 동맥의 평균 SNR과 CNR이 DLR로 재구성한 평균 SNR과 CNR에 비해 각각 29.2 %, 36.4 % 향상되었음을 보여주었다. UHR-DLR에서 이미지 노이즈는 약 21.4 % 감소했다. 관상동맥 스텐트 팬텀으로 CT 제조사별 측청된 ERS 평균값은 Aquilion ONE Prism(Canon)의 UHR-DLR에서 가장 높은 수치로 나왔고, ERD 값은 CT 제조사별마다 유의한 차이를 나타냈다. UHR-DLR은 FBP, HIR, DLR 비교하여 이미지 선명도가 향상되고 이미지 노이즈 및 블루밍 인공물이 감소하여 관상동맥 윗부분의의 윤곽을 더욱 명확하게 보여주었을 뿐만 아니라, 스텐트 지주 구조 및 스텐트 내강을 명확하게 나타냈다.

영어초록

Recently, with the advancement of artificial intelligence image reconstruction technology, we are attempting to evaluate the accuracy of coronary artery stent lumen by developing ultra-high-resolution deep learning image reconstruction technology based on the most accurate 0.25mm multi-detector available. This study was divided into patient studies and phantom studies. Images were reconstructed in the same patient using four different methods: filter correction reverse projection, repetitive reconstruction, deep learning reconstruction, and artificial intelligence ultra-high resolution reconstruction. To objectively evaluate image quality, four parameters, image noise, CT density, signal-to-noise ratio, and contrast-to-noise ratio, were analyzed for each dataset. The phantom study installed a latex Nelaton sterilized catheter to express the coronary artery in the dummy chest phantom. Subsequently, a coronary stent (2.5mm and 3.5mm in diameter) was inserted into each catheter. Images were obtained using various reconstruction techniques (FBP, IR, DLR, and UHR-DLR) for each CT manufacturer. Stent clarity was evaluated using edge rise distance (ERD) and edge rise slope (ERS). We showed that the average Signal-to-Noise Ratio (SNR) and Contrast-to-Noise Ratio (CNR) of coronary arteries reconstructed with Ultra-High Resolution Deep Learning Reconstruction (UHR-DLR) improved by 29.2% and 36.4% compared to those reconstructed with DLR, respectively. Image noise was reduced by about 21.4% in UHR-DLR. The ERS average value of the coronary stent phantom measured by the CT manufacturers was highest in the UHR-DLR of Aquilion ONE Prism (Canon), and the ERD value is statistically significant for each CT manufacturer. Compared to FBP, HIR, and DLR, UHR-DLR not only improved image clarity and reduced image noise and blooming artifacts but also clearly showed the stent support structure and stent lumen.

참고자료

· 없음